期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
1
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
遥感结合机器学习利用优化的训练样本识别山东省灌溉农田
1
作者
孙佑涛
于砚宁
+5 位作者
葛冰洋
张佳华
白雲
吴喜芳
杨姗姗
张莎
《农业工程学报》
北大核心
2025年第6期154-164,共11页
了解灌溉农田分布对合理利用水资源、及时调整农业生产政策和保障粮食安全具有重要意义。已有基于机器学习方识别灌溉农田的研究多采用二值化样本标注(即仅标注为灌溉和非灌溉),可能会导致灌溉样本遗漏,造成灌溉农田的识别精度较低。为...
了解灌溉农田分布对合理利用水资源、及时调整农业生产政策和保障粮食安全具有重要意义。已有基于机器学习方识别灌溉农田的研究多采用二值化样本标注(即仅标注为灌溉和非灌溉),可能会导致灌溉样本遗漏,造成灌溉农田的识别精度较低。为避免该问题,该研究提出一种为训练样本赋值灌溉分数的方案。首先,使用归一化植被指数、增强型植被指数和绿度植被指数结合统计灌溉面积数据分别生成3幅初步灌溉地图;然后,结合3幅不同的初步灌溉地图,使用该研究提出的方案为每个像元赋值不同的灌溉分数并获取训练样本;再使用随机森林(random forest,RF)和卷积神经网络(convolutional neural network,CNN)2种机器学习方法分别预测研究区逐年逐像元的灌溉分数,识别山东省2018—2022年250 m分辨率的灌溉农田;最后,通过验证样本和统计数据进行验证,获取山东省2018—2022年的灌溉农田空间分布,并分析灌溉农田的时空分布特征。结果表明:1)相比2种二值化处理获取训练样本的方法,使用该研究提出的方案获取训练样本并识别灌溉农田时,RF和CNN识别灌溉农田的县级R~2高达0.95和0.93;RF识别山东省灌溉农田的精度评价指标均优于CNN,且在不同年份表现较为稳定;2)2018—2022年山东省的灌溉农田空间分布较为一致,主要分布在鲁西北及鲁南地区,胶东半岛及鲁中地区分布较为稀少,近5年山东省的统计灌溉面积呈小幅增长趋势,2022年识别灌溉农田面积相较于2018年也有小幅增长。该研究提出的针对训练样本进行赋值灌溉分数的方案能够有效提高山东省灌溉农田识别的精度,是识别区域尺度灌溉农田的一种可靠、有效的方法。
展开更多
关键词
机器学习
随机森林
卷积神经网络
训练样本赋值
灌溉农田识别
在线阅读
下载PDF
职称材料
题名
遥感结合机器学习利用优化的训练样本识别山东省灌溉农田
1
作者
孙佑涛
于砚宁
葛冰洋
张佳华
白雲
吴喜芳
杨姗姗
张莎
机构
青岛大学计算机科学技术学院
河北师范大学地理科学学院
河南理工大学测绘与国土信息工程学院
出处
《农业工程学报》
北大核心
2025年第6期154-164,共11页
基金
国家自然科学基金项目(42201407,42101382)
山东省自然科学基金项目(ZR2022QD120)
河南理工大学测绘科学与技术“双一流”学科创建项目(GCCYJ202427)。
文摘
了解灌溉农田分布对合理利用水资源、及时调整农业生产政策和保障粮食安全具有重要意义。已有基于机器学习方识别灌溉农田的研究多采用二值化样本标注(即仅标注为灌溉和非灌溉),可能会导致灌溉样本遗漏,造成灌溉农田的识别精度较低。为避免该问题,该研究提出一种为训练样本赋值灌溉分数的方案。首先,使用归一化植被指数、增强型植被指数和绿度植被指数结合统计灌溉面积数据分别生成3幅初步灌溉地图;然后,结合3幅不同的初步灌溉地图,使用该研究提出的方案为每个像元赋值不同的灌溉分数并获取训练样本;再使用随机森林(random forest,RF)和卷积神经网络(convolutional neural network,CNN)2种机器学习方法分别预测研究区逐年逐像元的灌溉分数,识别山东省2018—2022年250 m分辨率的灌溉农田;最后,通过验证样本和统计数据进行验证,获取山东省2018—2022年的灌溉农田空间分布,并分析灌溉农田的时空分布特征。结果表明:1)相比2种二值化处理获取训练样本的方法,使用该研究提出的方案获取训练样本并识别灌溉农田时,RF和CNN识别灌溉农田的县级R~2高达0.95和0.93;RF识别山东省灌溉农田的精度评价指标均优于CNN,且在不同年份表现较为稳定;2)2018—2022年山东省的灌溉农田空间分布较为一致,主要分布在鲁西北及鲁南地区,胶东半岛及鲁中地区分布较为稀少,近5年山东省的统计灌溉面积呈小幅增长趋势,2022年识别灌溉农田面积相较于2018年也有小幅增长。该研究提出的针对训练样本进行赋值灌溉分数的方案能够有效提高山东省灌溉农田识别的精度,是识别区域尺度灌溉农田的一种可靠、有效的方法。
关键词
机器学习
随机森林
卷积神经网络
训练样本赋值
灌溉农田识别
Keywords
machine learning
random forest
convolutional neural network
training sample assignment
identification of irrigated farmland
分类号
S127 [农业科学—农业基础科学]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
遥感结合机器学习利用优化的训练样本识别山东省灌溉农田
孙佑涛
于砚宁
葛冰洋
张佳华
白雲
吴喜芳
杨姗姗
张莎
《农业工程学报》
北大核心
2025
0
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
